基于混合智能方法的暗挖隧道变形预测和优化方法及设备技术

本发明专利技术属于隧道变形控制技术领域，并具体公开了一种基于混合智能方法的暗挖隧道变形预测和优化方法及设备。包括：基于小间距暗挖隧道施工参数的监测数据，确定影响参数，进行数据预处理；利用贝叶斯(BO)优化随机森林(RF)预测模型参数，进行超参数优化与影响参数重要性排序，得到预测结果；基于预测得到的优化目标与影响参数间的非线性回归映射关系，建立NSGA

【技术实现步骤摘要】
基于混合智能方法的暗挖隧道变形预测和优化方法及设备


[0001]本专利技术属于隧道变形控制
，具体地，涉及一种基于混合智能方法的暗挖隧道变形预测和优化方法及设备，更具体的，涉及一种基于BO(Bayesian
‑
Optimization)
‑
RF(Random Forest)
‑
NSGA
‑Ⅲ
的小间距暗挖隧道变形预测和优化控制方法及系统。

技术介绍

[0002]在小近距暗挖隧道施工过程中，掌子面的推进引起地表沉降与相邻隧道沉降变形，存在难以避免的安全风险问题。通过对引起地表沉降及相邻并行隧道变形的关键施工影响因素进行调整和优化处理，对暗挖隧道变形进行预测，可有效控制小间距暗挖隧道施工风险。准确的小近距隧道变形预测在提高隧道安全方面发挥着重要作用。隧道小近距施工产生的地表沉降及隧道沉降变形可以借助具有直接物理意义的施工参数作为输入变量进行预测。并结合NSGA
‑
III方法实现多目标优化，针对小间距暗挖隧道关键风险的重点控制因素优化设计，建立BO
‑
RF
‑
NSGA
‑Ⅲ
多目标智能优化预测模型。

技术实现思路

[0003]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于混合智能方法的暗挖隧道变形预测和优化方法及设备，其引入BO
‑
RF
‑
NSGA
‑Ⅲ
的小间距暗挖隧道变形预测和优化控制方法，对机器学习在工程领域的应用为小间距暗挖隧道变形预测及优化提供了新的思路和解决方法。为小间距暗挖隧道施工操作提供指导和参考，本专利技术利用贝叶斯(Bayesian
‑
Optimization,BO)优化随机森林(Random forest,RF)预测模型参数，并结合NSGA
‑Ⅲ
，提出了一种小间距暗挖隧道变形预测及优化框架，构建了小间距暗挖隧道变形预测系统。该小间距暗挖隧道智能预测方法和系统首先结合实际小间距暗挖隧道施工工况，筛选确定影响参数，调动施工监测数据库中的相关数据进行预处理，然后基于贝叶斯优化随机森林进行超参数优化和重要性排序，建立预测模型，最后依据预测模型建立目标优化函数，基于NSGA
‑Ⅲ
进行多目标优化，得到最优的Pareto解，为小间距暗挖隧道的掘进施工提供了及时有用的信息和指导。
[0004]为实现上述目的，按照本专利技术的一个方面，提出了一种基于混合智能方法的暗挖隧道变形预测和优化方法，包括以下几个步骤：
[0005]步骤一：基于小间距暗挖隧道施工参数的监测数据，确定影响参数，进行数据预处理；
[0006]步骤二：利用贝叶斯优化RF预测模型参数，进行超参数优化与影响参数重要性排序，得到预测结果；
[0007]步骤三：基于预测得到的优化目标与影响参数间的非线性回归映射关系，建立NSGA
‑Ⅲ
模型中的目标优化函数，获取Pareto前沿解集，实现小间距暗挖隧道施工的多目标优化。
[0008]进一步的，步骤一所述的基于小间距暗挖隧道施工参数的监测数据，确定影响参
数，进行数据预处理，包括如下步骤：
[0009](1)确定影响参数
[0010]对小间距暗挖隧道施工过程进行分析以及参考大量的实践经验和相关文献可以确定四类主要的影响参数，分别为几何参数、围岩参数、爆破参数以及掘进参数。提出了一个影响地表沉降与相邻隧道沉降变形的输入指标体系：隧道埋深(x1)、跨覆比(x2)、隧道中线间距(x3)、中夹岩层厚度(x4)、围岩强度(x5)、土体弹性模量(x6)、土体粘聚力(x7)、土体内摩擦角(x8)、土体密度(x9)、周边眼间距(x
10
)、炮孔密集系数(x
11
)、光面层厚度(x
12
)、掘进速度(x
13
)、掌子面纵向间距(x
14
)、土体加固强度(x
15
)。
[0011](2)数据预处理
[0012]在训练模型之前，需要对样本集的数据进行归一化处理，消除不同样本的特征值维数对预测效率和精度的影响。本说明将对不同目标的数据样本归一化到[
‑
1,1]区间，使输入变量间可以直接进行比较，避免不同目标的不同量级对后续优化造成影响，归一化公式如下：
[0013][0014]式中，y是归一化标准值，y
max
和y
min
通常为1和
‑
1，x是样本值，x
max
和x
min
为样本值的最大值和最小值。
[0015]作为进一步优选的，步骤二中所述的利用贝叶斯优化RF预测模型参数，进行超参数优化与影响参数重要性排序，得到预测结果，包括以下步骤：
[0016](1)超参数优化
[0017]RF算法参数的不同取值会直接影响模型的回归预测效果，因此采用RF预测算法训练样本时，首先需要对预测模型中的重要参数进行调参。RF预测模型需要调参的参数主要有三个，分别为随机森林模型中决策树最大深度(max_depth)，每个节点处随机抽取的最大特征个数(max_features)和弱学习器最大迭代次数(n_estimators)，这三个参数的取值大小对RF模型的预测性能有直接影响，参数取值越大，模型的回归拟合性能越好，然而，当参数取值过大时，计算量增大，对模型的预测性能提升可以忽略不计。因此，需要合理设置超参数以达到模型的最佳预测性能。
[0018](2)特征重要性
[0019]随机森林算法在作为一种集成学习算法，不仅可以进行变量的预测，还可以利用训练模型计算特征参数的重要性。通过计算施工参数的重要性，指标筛选，综合考虑工程实际情况和控制要求，选取掘进过程中重点关注的施工参数进行侧重管理，从而减小地表沉降。
[0020]为了增强决策树的多样性，对训练集进行有放回的随机取样，抽取个数为训练数据的数据量的数据，创建一个数据集。若训练数据有n个样本，同一样本每次被抽到地概率为则不被抽到的概率为m次都没被抽到的概率为这些数据被称为袋外数据(OOB)。
[0021]RF算法基于袋外数据误差来进行输入变量的重要性评价，通过衡量随机置换后的均方残差减小量(％Inc MSE)和模型精确度的减小量(Inc Node Purity)来评价特征变量
的重要性，其流程为：
[0022]第一步：建立回归决策树。假设随机森林有m颗决策树，用随机森林模型对袋外数据进行预测，可以得到b个袋外数据的均方残差，分别为MSE1,MSE2,
…
,MSE
b
其计算式如下：
[0023][0024]其中y
i
表示袋外数据中因变量的真实值；表示回归模型预测值，随机改变袋外数据第j个特征变量X
j
的值，并计算新的袋外本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合智能方法的暗挖隧道变形预测和优化方法，其特征在于，包括以下步骤：步骤一：基于小间距暗挖隧道施工参数的监测数据，确定影响参数，进行数据预处理；步骤二：利用贝叶斯优化RF预测模型参数，进行超参数优化与影响参数重要性排序，得到预测结果；步骤三：基于预测得到的优化目标与影响参数间的非线性回归映射关系，建立NSGA
‑Ⅲ
模型中的目标优化函数，获取Pareto前沿解集，实现小间距暗挖隧道施工的多目标优化。2.根据权利要求1所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法，其特征在于，步骤一中，所述影响参数包括几何参数、围岩参数、爆破参数以及掘进参数；根据上述影响参数构建影响地表沉降与相邻隧道沉降变形的输入指标体系：隧道埋深x1、跨覆比x2、隧道中线间距x3、中夹岩层厚度x4、围岩强度x5、土体弹性模量x6、土体粘聚力x7、土体内摩擦角x8、土体密度x9、周边眼间距x
10
、炮孔密集系数x
11
、光面层厚度x
12
、掘进速度x
13
、掌子面纵向间距x
14
、土体加固强度x
15
。3.根据权利要求2所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法，其特征在于，步骤一中所述数据预处理具体包括：对数据进行归一化处理，以消除不同样本的特征值维数对预测效率和精度的影响，将不同目标的数据样本归一化到[
‑
1,1]区间，归一化公式如下：式中，y是归一化标准值，y
max
和y
min
通常为1和
‑
1，x是样本值，x
max
和x
min
为样本值的最大值和最小值。4.根据权利要求1所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法，其特征在于，步骤二中所述的利用贝叶斯优化RF预测模型参数，进行超参数优化与影响参数重要性排序，得到预测结果，包括以下步骤：(1)超参数优化采用RF预测算法训练样本时，首先需要对预测模型中的重要参数进行调参，RF预测模型需要调参的参数主要有三个，分别为随机森林模型中决策树最大深度，每个节点处随机抽取的最大特征个数和弱学习器最大迭代次数；(2)特征重要性RF算法基于袋外数据误差来进行输入变量的重要性评价，通过衡量随机置换后的均方残差减小量和模型精确度的减小量来评价特征变量的重要性；(3)预测模型精度评估引入均方根误差RMSE和拟合优度R2来检验模型的精度。5.根据权利要求4所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法，其特征在于，所述RF算法基于袋外数据误差来进行输入变量的重要性评价，通过衡量随机置换后的均方残差减小量和模型精确度的减小量来评价特征变量的重要性，具体包括：(1)建立回归决策树，假设随机森林有m颗决策树，用随机森林模型对袋外数据进行预测，可以得到b个袋外数据的均方残差，分别为MSE1,MSE2,
…
,MSE
b
，其计算式如下：
其中，y
i
表示袋外数据中因变量的真实值；表示回归模型预测值，随机改变袋外数据第j个特征变量X
j
的值，并计算新的袋外误差准确度MSE
j
值；(2)生成误差矩阵，当构建回归决策树进行分裂时，特征变量是随机选取的，将变量X
j
在b个袋外数据样本中随机置换，则可以形成一个新的OOB测试集，用已经建立的随机森林回归模型对新的测试集再次进行预测，可以得到新的OOB残差均方MSE
ij
，生成误差矩阵A为：其中，P为影响因素变量的个数，b为训练样本集的个数。(3)进行重要性评分，用MSE1,MSE2,
…
,MSE
b
与矩阵A的对应行相减，对其取平均值后再除以标准误差就可以得到变量X
i
的均方残差平均减小量，即特征变量的重要性评分VIM
i
(MSE)，可表示为：其中，MSE
j
为第j个样本的均方残差；S
E
为标准误差。6.根据权利要求1所述的一种基于混合智能方法的暗挖隧道变形预测和优化方法，其特征在于，步骤三中所述的基于预测得到的优化目标与影响参数间的非线性回归映射关系，建立NSGA<...

【专利技术属性】
技术研发人员：吴贤国，徐文，赵鹏鑫，刘俊，李昕懿，黄浩，曹源，冯宗宝，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：